NVIDIA、文字起こしAIを0円で公開 日本語は3段階の2番目だ

NVIDIAが文字起こしAIを0円で公開　40言語で話者も分ける

NVIDIAは10月28日（現地時間）、文字起こしAI「Nemotron 3.5 Transcribe」をオープンモデルとして公開した。Hugging Faceで無償で配っていて、ライセンスはOpenMDW-1.1だ。開発に使ったデータセット「Granary v2」も同時に出している。

中身は総パラメーター数340億のMoEモデルで、実際に動くのはそのうち43億ぶんになる。1回に入れられる音声は最長1時間で、対応する言語は日本語を含む40言語だ。

売りは話者の識別にある。公開されたデモでは、1940年の映画「ヒズ・ガール・フライデー」の早口の掛け合いを、話した人ごとに分けて書き起こしていた。メモリの使用量を減らした量子化版も出す予定だという。

日本語は「Production-ready」　最上位の段に入らない

日本語の精度は、NVIDIAが付けた3段階のうち真ん中になる。段は上から「Leading（業界最高峰）」「Production-ready（製品化できる精度）」「Supported（対応はしている）」の3つだ。

編集部が公式のモデルカードの言語表を開いて確かめると、英語や韓国語は最上位のLeadingに入っていた。日本語はその1段下で、中国語（標準語）はさらに下のSupportedだった。同じ東アジアの言語でも、韓国語のほうが1段上の扱いだ。

モデルカードには、音声の内容を理解して答える機能や話し言葉での指示は英語でしか評価していないとも書いてある。日本語で頼めるのは書き起こしと翻訳までと見ておくのが安全だ。

外部の評価では、文字起こしの性能ランキング「Open ASR Leaderboard」の英語部門でオープンモデルの最高と出た。誤り率の指標「Artificial Analysis Word Error Rate Index」でも首位だった。こちらはVoxtral Small Transcribeと並んでの首位になる。ただしどちらも英語での順位で、日本語の順位ではない。

議事録ツールに払う月2,237円が0円になるか　自前のGPUが条件

モデル自体は0円だが、議事録ツールの代わりにすぐ使えるわけではない。モデルカードはNVIDIAのGPUで動かすことを前提にしていて、アプリや画面は付いてこない。社内のサーバーに置いて、録音を流し込む仕組みを自分で組む必要がある。

AInformation調べでは、議事録・文字起こしに使えるAIツールは46本ある。料金が分かった38本の月額は中央で2,237円、真ん中の半分は月1,575円から月3,148円に収まった。日本円で払えるのは12本だけだ。人数分の月額を払っている会社ほど、自前で動かす値打ちが出る。

向いているのは、録音を社外のサービスに上げられない部署だ。顧客との面談や人事の面接では、音声そのものを外へ出したくない。そうした場面では手元で動くことが料金より効いてくる。

まず試すなら手持ちの1時間の会議録音で

試すときは、いま使っている議事録ツールと同じ録音を書き起こして並べるのが早い。見るところは3つある。

• 3人以上が話す会議で、話者の割り当てが合っているか
• 社名や製品名などの固有名詞を正しく書けているか
• 1時間を超える録音を、どこで切って入れるか

日本語が最上位の段に入っていない以上、固有名詞と数字は人が見直す前提にしておきたい。量子化版が出ればメモリの少ないGPUでも動かせるようになるので、社内で試す範囲はそこから広がりそうだ。